¿Qué es una base vectorial? Definición y retos para la empresa

Es una base de datos especializada en el almacenamiento y la búsqueda de vectores, llamados embeddings. Para una consulta dada, recupera los contenidos más próximos por el sentido dentro de un corpus, sin exigir una correspondencia de palabras exacta. Es el motor de búsqueda típico de un sistema RAG.

Cada documento se representa por un embedding, es decir, una serie de números (típicamente de 768 a 3 072 dimensiones) que codifica su sentido. La consulta también se convierte en embedding, y la base busca los vectores más próximos según una medida de similitud. Para escalar a miles de millones de vectores, utiliza algoritmos de aproximación como HNSW o IVF, que responden en milisegundos.

No siempre. Por debajo de algunos millones de vectores, una extensión como pgvector sobre PostgreSQL o una base multimodelo (MongoDB Atlas, Elasticsearch) basta a menudo, a un coste muy inferior. Un actor especializado solo se justifica más allá, en función del volumen y de la madurez del equipo.

Porque cuando trata documentos internos confidenciales, la jurisdicción de alojamiento cuenta tanto como el rendimiento técnico. Para un despacho de abogados que indexa 80 000 actos, las opciones iban de un servicio gestionado como Pinecone (región de Fráncfort desde mayo de 2026) o Weaviate Cloud a pgvector interno; el despacho eligió pgvector por la soberanía y el control del coste.

A la estructura de facturación. Las ofertas SaaS combinan en general un mínimo mensual (Standard en Pinecone: 50 dólares al mes) y un pago por uso de almacenamiento, lecturas y escrituras, por lo que el coste depende tanto del número de consultas como del volumen almacenado. Un benchmark a su volumen objetivo evita las malas sorpresas en la factura.